MemForest: An Efficient Agent Memory System with Hierarchical Temporal Indexing
MemForest：基于层次时态索引的高效Agent记忆系统
🧭 Agent记忆系统 · 层次时态索引
National University of Singapore · Zero Gravity Labs
通过并行提取与层次时态索引，实现Agent记忆的局部更新与时间感知检索，大幅提升写入吞吐
📌 工作参考价值
- 时态树组织用户状态：将用户偏好、行为轨迹等记忆按时间组织为MemTree，天然支撑“状态演变查询”，避免扁平向量检索丢失时间顺序，适合电商场景中用户偏好迁移、行为序列推断。
- 局部更新与惰性刷新：修改仅影响脏节点路径，避免全量重写Profile或Summary，大幅降低在线更新成本，适合高并发会话流下的实时记忆维护。
- 并行提取提升写入吞吐：将长会话切分为短块并行调用LLM，再通过事实规范化合并，可迁移到推荐系统中对用户长行为序列的实时摘要生成，加速记忆构建。
- 多粒度检索平衡效率与精度：从粗粒度树摘要快速召回，再细粒度浏览，避免全库向量搜索开销，适合多智体系统的上下文召回或检索增强生成中的高效证据定位。
动机：LLM Agent需在长周期交互中维护持久记忆，但现有系统在写入路径存在严重瓶颈——粗粒度状态管理（如全量重写Profile）和顺序LLM提取导致更新延迟随记忆累积而增长，且难以保留时间维度的状态演进，影响历史查询与多步推理。
方法关键点：
- 并行chunk提取：将新会话切分为固定大小的短块（默认2轮），并发调用LLM提取记忆候选，打破串行瓶颈。
- 规范事实（Canonical Facts）：合并去重后的稳定记忆单元，作为写入和路由的基础，避免直接改写累积状态。
- MemTree层次时态索引：以时间有序树组织每个记忆域（实体、场景、会话），叶子存储局部证据，内部节点总结时间区间，支持局部插入与惰性脏路径刷新，维护成本与受影响路径相关而非总记忆规模。
- 多粒度检索：森林级召回后从根节点到叶子逐级浏览，可选嵌入驱动或LLM引导，保持时间连续性，避免语义相似但时间错误的检索。
关键实验：
- 基准：LongMemEval‑S（500实例）和LoCoMo；对比EverMemOS、Mem0、MemoryOS等有状态记忆基线。
- 效率：在LongMemEval‑S上，MemForest写入耗时178s（30B模型），约为MemoryOS的13.7倍速，EverMemOS的5.9倍；写吞吐显著提升。
- 质量：LongMemEval‑S达到79.8% pass@1（30B），优于所有基线；LoCoMo上68.4%，接近最强基线（69.6%），但写成本大幅降低。
- 迁移实验：合并已构建记忆比顺序写入快2.4‑2.7倍。
核心洞见：将Agent记忆维护从全量重写转为基于时态树的局部增量更新，是打破写入瓶颈、同时保留时间感知能力的关键路径。